Was ist Zeitreihenprognose in der Mode?
Die Vorhersage künftiger Werte auf Basis von Daten, die über einen Zeitraum erfasst wurden, etwa wöchentliche Verkäufe, Retouren oder Website-Besuche.
Kurz erklärt
Die Zeitreihenprognose (Time-Series Forecasting) sagt künftige Werte auf Basis von Daten voraus, die über die Zeit erfasst wurden, etwa wöchentliche Verkäufe, Retouren oder Website-Besuche. In der Mode wird sie genutzt, um die Nachfrage nach fortlaufenden Artikeln zu projizieren, Bestände zu planen und saisonale Spitzen vorwegzunehmen.
Wie funktioniert es in der Praxis?
Zeitreihenmodelle suchen in historischen Daten nach Trends, Saisonalität und wiederkehrenden Mustern. Für einen NOS-Artikel wie ein weisses Basic-Hemd können sie die wöchentlichen Stückverkäufe projizieren und saisonale Spitzen rund um Feiertage oder den Wiedereinstieg in den Arbeitsalltag berücksichtigen. Die Prognosen fliessen dann in Entscheidungen zu Einkauf, Produktion und Nachschub ein.
Typische Anwendungen in der Mode sind:
- Nachschubplanung für Never-out-of-Stock- und fortlaufende Styles.
- Prognosen des Retourenvolumens, um Lagerkapazitäten zu planen.
- Frequenzprognosen für Stores und E-Commerce.
- Planung auf Kategorieebene, wo die Historie stabiler ist als auf Style-Ebene.
Warum ist das wichtig?
Genaue Prognosen verringern sowohl Fehlbestände als auch Überbestände, die Marge, Abschriften und Nachhaltigkeit beeinflussen. Für Wholesale-Marken verbessern bessere Prognosen bei fortlaufenden Artikeln zudem die Fähigkeit, Nachbestellungen zuverlässig zu erfüllen, was die Beziehungen zu Handelspartnern stärkt.
Wie nutzt KI sie?
Klassische statistische Methoden sind weiterhin verbreitet, während Machine-Learning-Modelle zusätzliche Faktoren wie Preis, Promotionen, Wetter und Produktattribute einbeziehen können. Die Zeitreihenprognose arbeitet oft mit Demand Sensing zusammen, das kurzfristige Schätzungen mit den neuesten Signalen verfeinert.
Typische Fallstricke
- Neue Produkte. Viele Modeartikel sind jede Saison neu und haben kaum oder keine eigene Historie, daher müssen Prognosen auf ähnliche frühere Styles zurückgreifen.
- Entgangene Verkäufe. Historische Verkäufe unterschätzen die Nachfrage, wenn Artikel ausverkauft waren.
- Verzerrte Historie. Promotionen, Store-Schliessungen oder einmalige Ereignisse verfälschen Muster, sofern sie nicht markiert werden.
- Zu viel Detail. Prognosen auf Ebene von Grösse und Store können sehr verrauscht sein, daher prognostizieren viele Teams auf höherer Ebene und verteilen dann nach unten.
Häufige Fragen
Wie prognostiziert man die Nachfrage nach neuen Modeprodukten ohne Verkaufshistorie?
Indem man ähnliche frühere Styles als Stellvertreter nutzt, basierend auf Attributen wie Kategorie, Preislage und Farbe, und zunächst auf Kategorieebene prognostiziert, bevor man auf Styles verteilt.
Was bedeutet Saisonalität in der Modeprognose?
Gemeint ist das wiederkehrende Nachfragemuster im Jahresverlauf, etwa Spitzen bei Oberbekleidung im Herbst oder bei Bademode im Frühsommer, das Modelle für genaue Prognosen erfassen müssen.